用 Java 后端的视角看，RAG 更像是在搜索服务和问答接口之间加了一层上下文组装逻辑。先检索，再整理检索结果，控制长度、来源和引用，最后调用模型生成答案。

今天要给大家安利一个超级给力的开源项目——awesome-llm-apps。老实说，第一次看到这个项目的时候，我都惊呆了，这也太全面了吧！

做AI开发的朋友，应该都经历过这个阶段：为了调出理想的结果，反复打磨提示词，在"请用专业口吻"和"请说人话"之间来回折腾。

LangSmith 是 LangChain 推出的一个监控和评估平台。它不依赖于特定框架，旨在与任何智能体框架（例如 LangGraph）甚至完全从头构建的智能体配合使用。

随着人工智能技术的飞速发展，AI Agent（人工智能代理）在日常和商业应用中扮演着越来越重要的角色。

对于刚入门大模型的程序员小白，或是想落地AI应用的开发者来说，搞懂Agent的底层逻辑，就等于掌握了下一波技术红利的钥匙。本文将用最通俗的语言拆解Agent，搭配实战案例和代码片段，帮你快速入门。

Agent Skills 是 Anthropic 提出的解决方案：用文件和文件夹将专业知识打包，让通用 Agent 变成符合你需求的专业化 Agent。

本文把这 4 个高频名词拆开讲清：是什么、能干吗、产出结果怎么验。你可以直接复制文中的命令和最小配置，今天就能做一版可测的知识问答 Agent。

对于希望尝试大模型训练的同学来说，从 LLaMA-Factory 入手是一个非常不错的选择！在实际工作中，也经常用到 LLaMA-Factory 进行模型训练。

在这篇文章中，我将带你系统梳理 LlamaIndex 的框架入门介绍、RAG全生命周期能力，以及那些在真实项目中能显著拉开效果差距的“黑科技”～